Aitishiku.com今年WRC最大展台，预告具身智能未来
今年WRC最大展台，预告具身智能未来
henry
2026-08-20
17:42:44
来源：量子位
从自主泛化到真生产力
henry 发自 凹非寺
量子位 | 公众号 QbitAI
相信去年来过WRC现场的朋友，多半会跟我一样：
刚一踏进场馆，就开启了逛展隐藏支线——寻找遥控器。
那时候，几乎是每一个成功操作的机器人，背后都有一个拿着遥控器的小哥。
就算绕着展台兜了一圈，没找到人，很快也会发现，机器人来来回回演示的，多半还是提前编好的一套“公式动作”。
说到底，机器人虽然在动，但真正干活的，很多时候还是人。
但今年的WRC，体感上已经明显不一样了。
各家展台上，自主干活几乎成了标配，后面拿着遥控器的人明显少了，就算偶尔还能看到遥操作，多半也是在采数据。
老实说，虽然目前机器人自主干活仍然不甚丝滑，而且难免会看到抖动、抽搐、失败，但起码，这活真是机器人自己干的，实乃一大进步。
不过逛了一圈之后，我们又发现，事情显然还没结束。因为机器人自己把活干起来，只能证明它有了“自主性”。
真要进工厂、仓库、商超，变成生产力，后面还有更现实的一道考题：
换个东西还能不能干？干得够不够准？速度能不能跟上？
也就是——泛化、精度和效率。
而今年把这三件事摆得最直白的展台之一，恰好也是整个WRC最大的展台：
星海图。
500平方米，10组Demo，一排机器人同时开工。从前置仓、工业装配、礼盒折叠，到双足、轮式新品，几乎把机器人真正进入生产现场之后会碰到的几类问题，都搬到了一个展台上。
所以，看到星海图的巨大展台后，我们真正好奇的，也不只是：
为什么一向低调的星海图，这次突然搞了个全场最大展台？
还有，当整个行业都开始强调“自主干活”之后，星海图又想把具身智能往前推到哪一步？
走，进去看看！！
生产力觉醒，究竟是怎么个觉醒法
走进展台，我们看到星海图这次WRC的主题，叫生产力觉醒。
为了一探究竟怎么个觉醒法，我们也现场试了一下。
首先是现场围观人数最多的，星海图和京东合作的前置仓。
在排了一会儿队之后，我们直接在iPad上下单了两瓶脉动。
机器人接单后，会自己排队、找货、取货，再一路送到柜台。
有一说一，在第一次尝试把脉动放到柜台时，机器人失败了；
就在我们以为是瓶子太重、太粗不好夹的时候，机器人调整了几次动作，最后还是成功放了上去。
拿回来之后，剩下的一切都变得相当丝滑，打包，拉袋，封口，一气呵成～
整体看下来，这套前置仓已经基本复刻了一套真实的生产流程。
货架没有为了方便机器人抓取而刻意摆开，从下单、抓取，到移动、打包、交付，整套流程都由机器人端到端完成。
机器人在这里既需要完成长程规划，移动操作，“下蹲抓取”，也涉及到对不同SKU、塑料袋这类刚性和柔性物体的交互。
更关键的是，它并不是只会抓我们眼前这两瓶脉动。
据现场工作人员介绍，这套系统背后的G0.5模型，已经能够泛化到上万种SKU。
这其实对应的，就是机器人进入真实世界之后的第一道生产力门槛：泛化。
如果换个商品、换个摆法就得重新训练，那再自主，本质上也还是一套更复杂的专机。
值得一提的是，打包机器人的加入，也把整个闭环进一步串了起来。
我们从下单到拿到商品，大概等了3-4分钟，速度已经在可接受的范围内。
再往里走，是一套机器人组装机器人的工业装配场景。
虽然听起来多少有点“物理RSI”那味儿，但这里真正考验的，其实是精度。
毕竟工业装配不像抓瓶子，零件差一点可能就装不上。
为此，星海图在基础模型之上引入强化学习，将操作精度做到1mm以内、成功率99.9%，同时把工作效率提升了400%。
也就是说，到了真正的工业现场，自主只是前提，精度和良率才决定它能不能上产线。
再往下，是一个看起来没那么唬人、实际却挺难搞的任务：折礼盒。
我们现场随手丢给它一个纸盒，机器人拿到之后，大概1分钟就能折完。
这里的难点在于，纸板和刚性零件不一样：折过去会回弹，状态一变，后面的动作也得跟着变。
以前很多靠背一套“小连招”的机器人，到这基本就歇了：中间一步被打断，直接宕机。
但G0.5可以根据纸盒的实时状态调整动作，我们在现场站了一会，成功率已经没的说了。
不光是纸盒，对于叠衣服这种柔性操作，G0.5也可以轻松拿捏。
除了这些依靠具身大脑的任务以外，星海图这次还带来了最新的通用小脑成果——
双足机器人Kengo。
它遇到没见过的地形时，不需要重新训练，就能边感知、边调整步态。
这其实有点呼应了最近全身智能的研究热点。
毕竟，以后机器人真进了家庭、工厂和仓库，能不能走过没见过的路，本身也是泛化的一部分。
值得一提的是，这也不是星海图首次发力机器人运控。
早在2023年，联合创始人赵行团队的Robot Parkour Learning，就曾入选CoRL 2023 Oral，并跻身最佳系统论文候选Top 3；此后，他们又将这一路线推进到双足人形机器人。
当然，500平米的展台上远不止这些。
抓包裹、物料分拣、折衣服、长程送件……机器人干的活五花八门，囿于篇幅，就不一一展开了。
但把前面这些Demo串起来看，星海图这次真正想展示的东西，其实已经很清楚了：
机器人“能自主干活”，只是生产力觉醒的起点。
再往下，至少还有三道更现实的考题。
第一是泛化。换个SKU、换个物体、换个环境，甚至中间状态发生变化，机器人还能不能继续干，而不是重新训练一套模型。
第二是精度。如果只是在Demo里把动作做个大概，到了工厂里精度不够、良率不行，那依然干不了真正的活。
再往前一步，就是效率。毕竟真正到了生产现场，机器人最后要比的，不是Demo漂不漂亮，而是能不能在相同时间里完成一样的工作，甚至把这笔账算得比人更划算。
所以一圈看下来，星海图这次至少做了一件挺有意思的事：
当整个行业开始从“遥操作”走向“自主干活”，它又把考卷往前翻了一页——把泛化、精度和效率，同时摆到了台面上。
从“机器人能不能自己干”，变成了：机器人能不能快、准、泛化地把活干下来。
而这，可能才是真正的“生产力觉醒”。
那么，这背后究竟是怎么做到的？
十几组demo背后的具身大脑
在前面的展示里，机器人之所以能做到百万SKU的物品与刚性柔性物体泛化，并把一整套长程任务自己串起来，背后用到的就是星海图最新的VLA模型G0.5。
在公开榜单测试中，G0.5已经在LIBERO、BEHAVIOR-1K、RoboTwin 2.0、DROID Zero-shot等8个权威Benchmark中登顶，覆盖长程任务、精细操作、零样本泛化等不同能力，整体位居第一梯队。
在具体的架构方面，G0.5走的是一条统一自回归路线，用G0.5背后研究者的话说就是，你可以把它理解成一个大语言模型：
它把视觉理解、具身推理和动作生成，都放进了同一个Transformer Decoder里。
和不少“VLM负责看和想，Action Expert负责动”的VLA架构不同。G0.5更像是把“想”和“做”重新接在了一起：机器人一边理解环境、一边判断下一步该干什么，然后继续往下生成动作。
这样做的第一个好处，就是过去几年LLM已经学出来的理解、推理和任务拆解能力，能更顺畅地接到机器人身上。
模型不用从头再学一遍“怎么想”，而是直接把已经会的思考变成动作。
所以到了前置仓这种任务里，它面对的就不只是“抓一个东西”，而是可以先理解订单，再把找货、规划、抓取、打包这一整串事情接着做下去。
而统一自回归的第二个好处，就是思考和动作可以连续往下走。
在前面的折礼盒demo中，这就让机器人能够一边执行，一边根据纸盒的变化及时调整动作。
而在G0.5代表的VLA路线之外，星海图还同时押了另一条路线：世界模型。
他们今年推出的Fast-WAM，最大的特点就是快。
针对以往世界模型推理过慢，难以实际部署的问题，Fast-WAM把推理延迟压到了约190ms，相比传统方案提升约4倍，发布时做到了全球最快。
目前，Fast-WAM论文引用量已经位居世界模型领域第一，也得到了同为世界模型创业者谢赛宁的认可。
所以回过头看，星海图在“大脑”上的路线其实挺实用主义。
VLA也做，世界模型也做，不是先选一个技术信仰，然后证明另外一条路线是错的。
而是反过来：哪个东西能让机器人把活干得更好，就先用哪个。如果都好，那就都用。
前面500平方米里看到的那些Demo，某种程度上就是这套思路的集中展示。
但说到底，模型架构只是第一步，真正能在具身领域拉开身位的，还得是数据以及全栈自研带来的飞轮效应。
数据、本体、模型闭环
星海图创始人、CEO高继扬曾不止一次解释过这套飞轮：
做过自动驾驶你发现：要做物理世界智能，就得有物理世界数据；要有数据，就得有一个收集数据的载体，整机。以前做自动驾驶最大的问题就是软件供应商拿数据的链路不通畅，飞轮跑不起来，这就是致命的问题。
说白了，不掌握本体，就很难掌握数据闭环；数据闭环跑不起来，大脑也就很难持续迭代。
所以在数据上，星海图一直押注真实数据。
早在去年9月，他们就开源了GOD真实场景数据集，下载量全球第一。与此同时，还通过投资简智、元流等玩家继续扩充数据来源，并计划2026年将真实数据规模做到100万小时。
而这些数据背后，是星海图自己的本体体系。
包括最新的双足机器人Kengo、轮式机器人Nexo在内，星海图已经先后推出R1、R1 Lite、R1 Pro等一系列机器人。
整机握在自己手里，带来的不只是数据来源更可控，模型、控制和硬件也能一起迭代。
据现场工作人员介绍，G0.5这次表现背后，很大程度上就来自自研本体产生的高质量数据，以及模型和本体之间更高效的协同。
这也是具身智能和纯软件系统很不一样的地方：
机器人最终面对的是物理世界，模型能力、控制算法、执行器和本体设计彼此牵连，很难完全拆开优化。
模型发现新的能力边界，本体就能针对性迭代；本体升级之后，又能采集更高质量的数据，反过来继续训练模型。
于是，一套完整的飞轮也就跑了起来：
数据推动模型，模型定义本体，本体再生产新的数据。
上一代机器人出去干的每一份活，都有机会变成下一代继续进化的燃料。
具身智能，开始参加生产力大考
所以再回到开头那个问题：WRC最大的展台，为什么是星海图？
看完整个展台，答案已经很明显：
星海图想展示的，不只是机器人又学会了多少新Demo，而是当“自主干活”逐渐成为行业标配之后，具身智能的考卷已经开始往下一页翻。
过去，大家先解决的是机器人能不能脱离遥控器，自己把任务做起来。
而真到了工厂、仓库和真实客户现场，光“能自己干”显然还不够。
接下来要比的，是换个东西还能不能干，干得够不够准，速度又能不能跟上。
也就是泛化、精度和效率。
换句话说，机器人真正成为生产力，不只是要“会干活”，而是要能在真实现场快、准、稳地把活干下来。
这次500平方米、十几组Demo，从仓储拣选、工业装配，到柔性操作和双足运动，星海图某种程度上就是把这张新的考卷，集中摊在了大家面前。
而作为具身“大脑”第一梯队玩家，它所展示的也不只是自己的能力边界，更像是在给行业打一个样：
接下来，不再只比谁的Demo更好看，而是比谁能真正把机器人变成生产力。
从“能不能自主干”，到“能不能快、准、泛化地干”。
某种程度上，这可能才是具身智能下一阶段真正要卷的东西。
版权所有，未经授权不得以任何形式转载及使用，违者必究。 WRC 具身智能 星海图henry
- 闭源RSI的严父：18个Agent自主科研，Kimi K3靠Harness逼近Opus 52026-08-20
- 牛来！A社营收暴涨1400%，最新季度入账115亿美元2026-08-16
- 刚刚！Ilya首个模型曝光了2026-08-13
- 宇树会破发吗？王兴兴回应了2026-08-11
相关阅读
从看懂世界到做对动作，卧安机器人OneModel 1.7用一条「隐式通路」打通了具身智能的关键断层
在潜在空间中完成信息传导
邓思邈2026-06-03 世界动作模型 具身智能 卧安机器人
理想破例投资具身创业公司，L9功臣创办，阿里CEO也跟了
理想首款人形机器人也要来了
杰西卡2026-04-08 具身智能 理想汽车 车圈最新认知
10家机构共筑具身智能真机评测基石：RoboChallenge组委会正式启航
从开源协作到标准制定
十三2025-11-20 RoboChallenge 具身智能 评测
WAIC看了一圈，这家公司的机器人在认真打工
林方舟2026-07-24 WAIC 具身智能 机器人
世界模型有触觉了！50万小时视频，训出首个隐式触觉世界动作模型
henry2026-07-28 世界模型 具身智能 触觉
云端模型如何落地物理世界？招商局狮子山人工智能实验室用LiOS打通具身智能全链路
从仿真到多形态真机，具身模型如何落地复杂家庭柔性物体操作？
邓思邈2026-06-02 云端模型 具身智能 招商局热门文章
深度体验DeepSeek Harness，我原谅它涨价了
2026-08-14
4.8亿美元砸向端侧算力！Agent芯片新贵冲出重围
2026-08-13
马斯克Grok 4.6重回一梯队！更低价格反超Fable 5，这Cursor是真没白收购
2026-08-13
刚刚，Qwen3.8-27B 开源了！家用显卡也能跑
2026-08-14
